基于新颖的模糊小波方法进行对比度增强图像

摘要：

这篇论文所讲为基于小波变换和模糊逻辑的一种新颖的对比度增强图像的方法。首先初始化低对比度图象以减少不同的照明的作用。然后选择一个具体的小波变换来转换正常化的图象和得到小波系数。低通系数由线性操作符进行模糊，并且使用全局和局域的信息定义和提高图象的全局性对比度。而在高通系数运用非线性操作员提高图象细节。最后，相反的小波变换被申请将结果映射到该空间领域。实验结果显示，在提高低对比度图象效果上该方法非常有效。

关键词：

模糊逻辑；小波；对比度增强

1. 介绍

    对比度增强是图象处理，图样识别，计算机视觉中的一个重要方法。对比度增强可以做图像边缘裁剪，以便从改进的图像上可以容易的提取出更多的信息，为进一步的图像分析将是十分有用的。常规的增强技术主要是全局性的，并且只适应全局性特点或者在固定区域之内的基于全局性变换的图像。对比度增强技术，直方图均衡化，图像锐化，空间滤波是该领域的主要技术。由于他们只使用强制的全局属性，并且如果有很多初始信息在同一个区域，那么他们就不能很好的运作。因此，为了解决这个问题，区域直方图处理方法便被提了出来。然而，他们某种程度上仍然有缺点。在该领域的一本文献中，程教授和徐教授提出了一种基于模糊逻辑的方法。大范围对比度增强方法可以通过利用小波转换来增强图像的频率细节变换。但是某些方面仍然存在问题：如噪声放大、低效增强和过度增强。该文提出的方法，通过修改小波系数顺利地解决了这些问题。这种方法运用全局信息和局域信息。实验结果表示，该方法可以有效地提高图像轮廓显示、良好的细节显示和全局性对比度。

2. 小波 

傅立叶变换有一个严重的缺点。在变换对频域以后，空间/时间信息完全丢失。小波变换分解一个连续或离散信号变成该信号长度一半中的二个次级信号。次级信号是从原始信号中使用低通滤波器和高通滤波器分离出来的，而该信号可以通过对应的相反小波变换从次级信号被重建。另外，小波变换有他们自己不同的低通和高通滤波器。来自低通滤波器的小波变换显示信号的趋向，而来自高通滤波器的小波变换显示信号的波动。在图象处理过程中分离小波变换时常被用到。分解图象的过程如图1所示：

图1 小波分解过程

并且，那些次级信号还可以进一步被分解成更小的次级信号。称之为n级分解。最常用的小波变换如表1所示：

表1 小波列表

3. 提出的方法

3.1 提出的算法

对增强图像提出的算法有如下5步：

1. 通过映射图象的强度[0,255]范围内初始化图象，使用以下等式：   

1. 选择一个具体的由小波变换转换到的图象和得到的小波系数。
2. 使用模糊逻辑调整低通系数从而提高全局性对比度。

4. 运用非线性操作符通过高通系数提高图象细节。

5. 应用相反小波变换映射结果到空间域。

算法的流程图如图2所示：

图2 算法流程图

3.2 图像增强

3.2.1 选择小波

选择各种各样的小波变换。在实验中，尝试了几个小波，包括Haar、Daubechies， Symlets和Biorthogonal。因为使用低通/高通滤波器，并且其中每一个图像的特点是不同的，因此结果是不同的。例如，如果选择Haar，增强的结果会有Block影响。在该研究领域的一位专家证明，B-spline边缘检测中使用拉普拉斯算子能够更好的进行滤波处理和图像边缘裁剪。根据实验，发现Bior小波(Nr=3，Nd=l)通过2级分解得到的效果是最好。

3.2.2 低通系数适配

当为一幅图像选择好小波后，称为LL，LH，HL，和HH的四大块需被提出，LL是图像的系数，用如下步骤改变系数值：

1. 模糊低通系数使用linear操作符，

   

   为最小低通系数，

   

   为最大低通系数。

                   

1. 用窗口值

   

   估算边界值

   

   ，使用如下公式：

3. 计算局部对比度

4. 计算扩展对比度

如果

在

和

之间，

，图像可以增强，要是

并且

那么不能增强。

5. 计算更改过的对比度

6. 得到修改后的关系值

7. 解此函数式

注意：对于固定的区域，第二步的参数变为0，3-7步将跳过。亮度值不变，或者通过减少参数值降低，但是该值不能超过1。

    

3.2.3 高通系数适配

用以下操作符增强高通系数（K>1，T为固定值）。

3.2.4 低通系数适配

通过相似小波倒置，可以得到新值，然后可以得到对比度增强后的图像，小波转换过程如下表3所示：

4. 实验和讨论

如同在前面部分所提到的，由于是根据模糊的小波对比度增强，并且考虑到了全局和局域的信息，因此算法表现出了相当的有效性和高效率。图4是一副原始图像，图5，图6和图7分别为用灰度变换，直方图均衡化和锐化增强后的结果。图5和图6仅使用到了全局信息，因此在某些区域内发生了低度增强和过度增强；图7 中的增强仅仅使原始图象的边缘和样式发生了变化，同时，增强后的图象丢失了一些低频率信息和被弄模糊了。结果表明在三个常规技术之上，我们没得到更好和令人满意的增强结果。图8和图9是基于Haar小波和Bior (Nr=3， Nd=l)小波的提出的算法来进行的图像增强。在图8中，可以明显地观察到Block效应。在图9中，蜜蜂的轮廓是更加的明显，花瓣和芽的纹理比起低度增强和过度增强则是更加生动和鲜明，各类参数值如表2所示。

1. 结论

对比度增强在图象处理，模式识别和计算机视觉中扮演着一个非常重要角色。在本文，提出了一种基于新颖的模糊小波的对比度增强图像方法。实验结果表明，提出的方法比起常规技术来有更好的表现，并且比起低度增强和过度增强可以更有效地提高轮廓显示、良好的细节和全局对比度。他们卓著的表现归结于以下因素：(1)原始的图象的本质质量决定了图像增强后的各类系数。(2)提出的方法在低通系数上使用了局域和全局信息，因此与一般小波增强方法是不同的。提出的方法也许会为图象处理，模式识别和计算机视觉提供更多的应用。

         图4 原始图像                              图5 灰度增强后的图像

     图6 直方图均衡化后的图像                      图7 锐化后的图像

     图8 Haar小波增强后的图像                  图9 Bior小波增强后的图像